Bias Algoritma sebagai Diskriminasi Global: Analisis Geopolitik, Etika, dan Strategi Menuju Keadilan Digital

Tulisan  ini menyajikan analisis mendalam mengenai Bias Algoritma, yang didefinisikan sebagai pelanggengan dan penguatan ketidaksetaraan struktural yang melintasi batas-batas negara, menjadikannya isu Diskriminasi Global yang mendesak. Analisis ini mengungkapkan bahwa Bias Algoritma berakar pada kegagalan epistemologis dalam desain sistem dan diperburuk oleh ketimpangan kekuatan digital global yang disebut sebagai Data Kolonialisme. Manifestasi diskriminasi algoritma terlihat jelas dalam sektor-sektor kritis seperti penegakan hukum dan layanan kesehatan, yang secara eksplisit memperparah disparitas etnis dan rasial. Untuk menanggapi risiko sistemik ini, diperlukan tata kelola yang kuat yang mengakhiri model regulasi mandiri, mengamanatkan metodologi Fair-by-Design untuk mencegah bias sejak awal, dan memprioritaskan strategi kedaulatan data di negara-negara Global South guna melawan hegemoni infrastruktur asing.

Konteks AI, Janji, dan Risiko: Mengapa Bias Algoritma Menjadi Isu Hak Asasi Manusia Global

Kecerdasan Buatan (AI) menjanjikan terobosan signifikan di berbagai bidang, mulai dari memfasilitasi diagnosis klinis lanjutan hingga menciptakan efisiensi tenaga kerja melalui tugas otomatis. Namun, adopsi teknologi yang cepat ini menimbulkan kekhawatiran etika mendalam. AI memiliki potensi nyata untuk menanamkan bias dan memperburuk ketidaksetaraan yang sudah ada sebelumnya, yang pada gilirannya menyebabkan kerugian lebih lanjut pada kelompok-kelompok yang sudah terpinggirkan. Ancaman bias ini bukan lagi sekadar kelemahan teknis lokal, melainkan telah berkembang menjadi risiko sistemik yang memperkuat ketidakadilan dan diskriminasi dalam skala global.

Definisi dan Ruang Lingkup Diskriminasi Global yang Diperkuat oleh AI

Diskriminasi Global dalam konteks AI didefinisikan sebagai pelanggengan dan penguatan ketidaksetaraan yang melintasi batas-batas negara, diperparah oleh sistem keputusan AI. Ketimpangan ini mencakup dimensi ras, etnis, ekonomi, dan geografis. Fokus utama laporan ini adalah menganalisis disparitas struktural antara Global North (pusat pengembangan AI, kepemilikan data, dan infrastruktur) dan Global South (penghasil data mentah dan penerima dampak). Pelanggengan diskriminasi dan ketidaksetaraan ini, jika tidak ditangani, dapat menyebabkan kerusakan hukum, reputasi, dan mengikis kepercayaan publik terhadap sistem digital.

Struktur dan Metodologi Analisis Laporan

Laporan ini disusun menggunakan pendekatan interdisipliner, mengintegrasikan perspektif teknis untuk membedah sumber bias, sosiologis dan legal untuk memahami manifestasinya dalam masyarakat, dan geopolitik untuk menganalisis konteks kekuasaan yang mendasarinya. Analisis ini berfokus pada empat pilar utama: anatomi bias, manifestasi sektor, dimensi geopolitik (Data Kolonialisme), dan kerangka regulasi serta mitigasi yang diperlukan.

Anatomi Bias Algoritma: Sumber dan Mekanisme Perusakan

Bagian ini membedah sifat Bias Algoritma, menunjukkan bagaimana kesalahan ini berakar pada kegagalan dalam siklus hidup data dan pengembangan, bukan hanya kesalahan matematika murni.

Definisi Inti: Bias Algoritma vs. Ketidakadilan Sosial

Bias Algoritma merujuk pada hasil yang tidak adil atau diskriminatif yang dihasilkan oleh sistem AI. Bias ini dapat terjadi ketika hasil algoritma ditafsirkan berdasarkan prasangka individu yang terlibat, meskipun algoritma itu sendiri berbasis data. Namun, yang lebih signifikan, bias seringkali merupakan hasil dari data pelatihan yang tidak seimbang dan tidak mencerminkan beragam komunitas yang dilayani oleh sistem tersebut. Kegagalan sistemik dalam tahap ini secara langsung melanggengkan ketidaksetaraan yang sudah ada.

Kategori Sumber Bias Teknis-Sistemik

Ketidakadilan dalam AI seringkali dapat dilacak kembali ke kegagalan yang terjadi di seluruh siklus hidup data dan model:

Bias Data (Dataset Bias)

Kinerja dan keadilan sebuah sistem machine learning secara fundamental bergantung pada kualitas data yang melatihnya. Data yang dimasukkan ke dalam model harus komprehensif, seimbang, dan mewakili semua kelompok orang untuk mencerminkan demografi masyarakat yang sebenarnya. Jika data gagal memenuhi persyaratan ini, akan muncul Bias Pengecualian (Exclusion Bias)—yaitu, ketika data penting yang mewakili populasi minoritas atau faktor baru tidak disertakan dalam dataset pelatihan.

Bias Pengukuran (Measurement Bias)

Bias Pengukuran timbul dari data yang tidak lengkap atau ketidaksesuaian dalam cara variabel diukur. Hal ini sering disebabkan oleh kurangnya perhatian atau persiapan yang memadai selama pengumpulan data, yang mengakibatkan kumpulan data tidak menyertakan seluruh populasi yang seharusnya dipertimbangkan. Misalnya, penggunaan variabel proksi yang secara historis terikat pada ketidaksetaraan, seperti kode pos untuk memprediksi risiko kesehatan, dapat secara tidak sengaja mengabadikan bias rasial atau ekonomi.

Bias Kognitif dan Epistemik: Peran Prasangka Manusia

Salah satu sumber bias yang paling sulit diatasi adalah Bias Homogenitas di Luar Kelompok (Out-group Homogeneity Bias). Bias ini mencerminkan kecenderungan pengembang (sebagai bagian dari ingroup) untuk memiliki pemahaman yang lebih baik tentang kelompok mereka sendiri dan menganggap kelompok luar (outgroup) kurang beragam. Konsekuensinya, pengembang algoritma mungkin kurang mampu membedakan individu yang bukan bagian dari kelompok mayoritas dalam data pelatihan, yang mengarah pada kesalahan klasifikasi dan stereotip rasial.

Fenomena ini menunjukkan bahwa bias algoritma adalah cerminan dari kegagalan epistemologis—kegagalan untuk mengenali dan memahami keanekaragaman di luar lingkungan pengembang. Jika tim AI didominasi oleh kelompok demografis tertentu (yang sering terjadi pada tim teknologi di Global North), secara struktural mereka tidak memiliki wawasan yang diperlukan untuk mengantisipasi bagaimana algoritma mereka akan gagal di Global South atau di antara kelompok minoritas lokal. Kegagalan epistemologis ini secara langsung menyebabkan Bias Pengecualian, di mana data dari populasi yang tidak terwakili salah diukur atau diabaikan sama sekali. Oleh karena itu, solusi teknis yang berfokus hanya pada penyesuaian matematika data tidaklah cukup; tata kelola AI harus mewajibkan audit keragaman dan kompetensi budaya dari tim pengembang.

Pendekatan untuk mengatasi bias juga harus hati-hati. Pendekatan naif seperti menghapus kelas yang dilindungi (seperti jenis kelamin atau ras) dari dataset seringkali tidak efektif. Penghapusan label ini dapat mengganggu pemahaman model dan bahkan memperburuk akurasi hasilnya.

Korelasi Sumber Bias Algoritma, Mekanisme, dan Dampak Diskriminasi

Manifestasi Diskriminasi Global: Studi Kasus Lintas Sektor Kritis

Bias algoritma menunjukkan dampak merugikan yang luas, memperkuat ketidakadilan dalam berbagai bidang fundamental dalam skala global.

Penegakan Hukum dan Keadilan Pidana

Sektor peradilan pidana adalah salah satu arena paling terlihat di mana bias algoritma melanggengkan prasangka historis. Algoritma yang digunakan untuk memprediksi risiko kriminalitas dapat menargetkan kelompok minoritas secara tidak adil, yang secara efektif memperkuat siklus diskriminasi. Kegagalan ini mengikis kepercayaan publik dan menciptakan kerugian hukum bagi individu yang sistem peradilannya semakin bergantung pada sistem keputusan otomatis.

Layanan Kesehatan Global: Eksaserbasi Disparitas Etnis dan Rasial

Layanan kesehatan menawarkan studi kasus utama Diskriminasi Global. Meskipun AI menjanjikan prediksi klinis yang canggih, model-model yang dilatih pada dataset yang relatif homogen dan populasi yang kurang representatif sangat membatasi kemampuan generalisasinya, sehingga menimbulkan risiko keputusan AI yang bias.

Penelitian secara eksplisit mengaitkan bias algoritma dalam layanan kesehatan dengan eksaserbasi disparitas etnis dan rasial. Algoritma yang digunakan untuk diagnosis medis atau rekomendasi pengobatan dapat menghasilkan hasil yang berbeda untuk pasien dari kelompok yang berbeda, yang mengarah pada perawatan kesehatan yang tidak merata. Misalnya, sebuah model yang dilatih utamanya pada populasi Kaukasia dapat gagal mengenali variasi fenotipe atau respons genetik terhadap pengobatan pada populasi Asia atau Afrika.

Ketimpangan ini diperkuat ketika sistem AI, yang dikembangkan menggunakan data homogen dari Global North, diekspor ke negara-negara Global South. Diskriminasi etnis dan rasial yang tersemat dalam data pelatihan secara otomatis “diimpor” dan diperparah di konteks Global South, di mana model tersebut gagal total dalam mengenali keragaman lokal. Ini menimbulkan pertanyaan etika mengenai transfer teknologi. Jika sistem kesehatan AI, yang terbukti memperburuk disparitas di negara asalnya , kemudian dijual tanpa pelokalan atau penyesuaian data yang ketat, disparitas kesehatan di wilayah penerima dapat meningkat secara eksponensial. Hal ini menyoroti perlunya standar pengujian generalisasi global yang ketat sebelum penyebaran sistem AI yang berisiko tinggi.

Pasar Tenaga Kerja, Keuangan, dan Pendidikan

Bias algoritmik juga membatasi peluang ekonomi dan pendidikan. Dalam rekrutmen, bias dapat terjadi dalam sistem otomatis yang mendiskriminasi usia, gender, atau latar belakang etnis. Demikian pula, di sektor jasa keuangan, bias dapat muncul dalam penetapan harga asuransi atau penilaian kredit, yang secara tidak adil menghukum kelompok dengan riwayat keuangan yang berbeda. Dalam pendidikan, algoritma yang digunakan untuk menilai kinerja siswa atau merekomendasikan jalur pendidikan dapat memperlihatkan bias terhadap siswa dari latar belakang tertentu, yang secara fundamental membatasi akses mereka ke peluang masa depan.

Moderasi Konten Lintas Budaya: Bias Algoritma dalam Pengelolaan Intoleransi

Di lingkungan digital Global South, algoritma moderasi konten media sosial menghadapi tantangan bias budaya dan keagamaan. Studi kasus menunjukkan bahwa platform seperti TikTok, meskipun telah berupaya meningkatkan fitur pelaporan dan panduan komunitas, memerlukan proses moderasi yang lebih transparan dan efektif, terutama dalam mendeteksi konten yang berpotensi diskriminatif.

Sistem moderasi yang didominasi oleh perspektif Global North mungkin gagal memahami nuansa keagamaan atau budaya lokal, yang dapat menyebabkan penghapusan konten yang salah (false positive) atau kegagalan mendeteksi intoleransi yang disandikan dalam bahasa atau konteks lokal (false negative). Upaya mitigasi harus melibatkan kerja sama dengan pakar agama untuk memahami nuansa tersebut. Selain itu, jalur banding yang adil bagi pengguna yang merasa kontennya salah dihapus sangat penting, mengingat tingginya frekuensi unggahan konten keagamaan.

Dimensi Geopolitik Ketidaksetaraan Digital: Analisis Kolonialisme Data

Bias Algoritma bukanlah anomali teknis yang terisolasi; sebaliknya, itu adalah manifestasi teknis dari ketimpangan geopolitik yang lebih besar.

Dari Kolonialisme Klasik Menuju Dominasi Algoritma: Paradigma Data Kolonialisme

Di era digital, data telah menggantikan sumber daya alam tradisional sebagai komoditas strategis paling bernilai di dunia. Konsep Data Kolonialisme muncul untuk menggambarkan situasi di mana negara-negara dan perusahaan teknologi besar di Global North mengekstraksi, mengendalikan, dan mengeksploitasi data dari masyarakat Global South tanpa adanya pertukaran nilai yang adil, transparansi, atau kedaulatan lokal.

Data Kolonialisme mereplikasi pola lama dalam bentuk baru, menggantikan penjajahan fisik dan militer dengan penguasaan sistem digital dan algoritma, serta menggantikan eksploitasi sumber daya alam dengan eksploitasi data pengguna.

Ketimpangan Kekuatan Global Utara-Selatan (Global North-Global South)

Ketimpangan kekuatan ini dicirikan oleh beberapa pola yang mengabadikan bias algoritma secara sistemik:

Ekstraksi Sumber Daya (Data) Tanpa Kedaulatan Lokal

Negara-negara Global South secara efektif berfungsi sebagai penghasil data, tetapi mereka tidak memiliki kendali penuh atas infrastruktur dan algoritma yang mengelola data tersebut. Banyak negara berkembang tidak memiliki pusat data nasional atau sovereign cloud, sehingga data warganya disimpan di server milik perusahaan Global North (misalnya, di Eropa atau AS). Data dari pengguna internet di Indonesia atau Afrika dapat disimpan dan dianalisis oleh perusahaan konsultan asing, bahkan digunakan untuk menargetkan iklan atau mempengaruhi hasil pemilu di wilayah tersebut. Ketergantungan infrastruktur asing ini secara fundamental mengancam prinsip kedaulatan data.

Kendali Algoritma Asing dan Manipulasi

Karena algoritma dan model AI dikembangkan dan dimiliki di Global North, negara-negara Global South seringkali tidak memiliki akses atau wewenang untuk mengaudit mekanisme yang mengatur konten, rekomendasi, dan iklan. Kurangnya kontrol ini membuat mereka rentan terhadap manipulasi dan bias informasi. Ketika bias algoritmik terjadi, itu bukan hanya kesalahan teknis; itu menjadi alat taktis yang secara tidak langsung menguatkan dominasi pasar dan memonopoli nilai tambah data oleh perusahaan Global North.

Konsekuensi Ekonomi dan Politik

Ketimpangan nilai tambah digital sangat mencolok. Global South menyediakan data mentah, sementara Global North menjadi pemilik analisis, pengembangan AI, dan monetisasi data. Akibatnya, nilai tambah digital tidak dinikmati secara inklusif di dalam negeri. Data Kolonialisme menjelaskan mengapa upaya untuk Kedaulatan Data dan Keadilan Data (Data Justice) menjadi bentuk resistensi geopolitik yang esensial. Jika AI rekrutmen bias terhadap kandidat Global South, ini secara tidak langsung menguntungkan sistem pendidikan atau tenaga kerja Global North yang datanya terwakili, menciptakan siklus penguatan ekonomi.

Perbandingan Pola Eksploitasi: Kolonialisme Klasik vs. Data Kolonialisme

Kerangka Regulasi dan Tata Kelola Global: Respon terhadap Risiko Sistemik

Mengingat sifat lintas batas diskriminasi algoritma, diperlukan kerangka tata kelola internasional yang kuat.

Perlunya Pengawasan Global: Mengakhiri Model Regulasi Mandiri

Telah terbukti bahwa adopsi AI yang serba cepat (do-it-now) telah melampaui keamanan dan tata kelola, menimbulkan biaya pelanggaran data dan risiko sistemik. Menyikapi hal ini, komunitas internasional, di bawah kepemimpinan UNESCO, telah bergerak untuk menetapkan standar etika global. Rekomendasi UNESCO tentang Etika Kecerdasan Buatan, yang diadopsi oleh 193 Negara Anggota pada November 2021 , secara tegas menandakan berakhirnya “model regulasi mandiri” yang selama ini memprioritaskan tujuan komersial di atas kepentingan publik.

Standar Etika Universal UNESCO: Pilar-Pilar Transparansi dan Akuntabilitas

Rekomendasi UNESCO menyerukan kepada pemerintah di seluruh dunia untuk menetapkan kerangka hukum dan institusional yang diperlukan untuk mengatur teknologi AI, memastikan AI berkontribusi pada kebaikan publik. Standar ini memajukan prinsip-prinsip esensial seperti transparansi, akuntabilitas, dan supremasi hukum online. Untuk memastikan perubahan nyata di lapangan, instrumen ini mencakup bab pemantauan dan evaluasi, serta alat implementasi praktis seperti Readiness Assessment dan Ethical Impact Assessment.

Dampak Regulasi Regional Berskala Besar: Analisis EU AI Act

Uni Eropa telah memimpin dengan EU AI Act, yang mengkategorikan sistem AI berdasarkan tingkat risikonya. Regulasi ini memiliki implikasi ekstrateritorial yang dikenal sebagai ‘Brussels Effect’. Perusahaan yang berbasis di Global South, termasuk Indonesia, yang beroperasi secara digital dan memiliki pengguna di Eropa, harus mematuhi regulasi ini. Selain itu, EU AI Act mencakup panduan untuk Model AI Tujuan Umum (GPAI) yang menetapkan kerangka kerja bagi pengembang untuk memenuhi persyaratan baru.

Bagi negara-negara seperti Indonesia, yang telah mengesahkan Undang-Undang Perlindungan Data Pribadi (UU PDP) yang sejalan dengan GDPR, langkah selanjutnya adalah mengintegrasikan regulasi AI dengan kebijakan perlindungan data untuk memastikan keamanan dan privasi pengguna. Harmonisasi standar ini diharapkan dapat menarik investasi dan transfer teknologi canggih dari Eropa.

Namun, ada risiko terkait dengan dominasi tata kelola Global North. Meskipun kerangka etika UNESCO melibatkan konsultasi global, implementasi praktis standar hukum yang mahal seringkali didominasi oleh yurisdiksi dengan kekuatan pasar terbesar, seperti Uni Eropa. Hal ini dapat menyebabkan Kolonialisme Regulasi, di mana negara-negara Global South harus mengadopsi standar kompleks yang mungkin tidak sepenuhnya sesuai dengan tantangan bias dan kebutuhan lokal mereka (misalnya, kebutuhan spesifik untuk moderasi konten keagamaan di Asia ). Kepatuhan terhadap regulasi asing dapat memperlambat pengembangan Sovereign AI lokal karena sumber daya dialokasikan untuk kepatuhan, bukan inovasi yang relevan secara lokal. Strategi yang paling berkelanjutan adalah mempertahankan prinsip Digital Non-Alignment sambil aktif membentuk standar regional (ASEAN) untuk menyeimbangkan pengaruh regulasi Barat.

Mitigasi dan Kedaulatan Digital: Strategi Menuju Keadilan Algoritma

Menanggulangi Bias Algoritma sebagai Diskriminasi Global memerlukan respons multi-lapis yang mencakup aspek teknis, kebijakan, dan sosial.

Strategi Mitigasi Teknis (Debiasing)

Strategi mitigasi harus bergerak dari pendekatan reaktif menjadi proaktif. Metodologi Fair-by-Design (Adil sejak Desain) mewakili pendekatan holistik yang mengintegrasikan keadilan ke dalam AI sejak tahap awal pengembangan, bertujuan untuk mencegah bias dan diskriminasi daripada memperbaikinya setelah model digunakan. Pendekatan ini secara eksplisit mengakui bahwa solusi memerlukan kombinasi langkah-langkah teknis, aktivitas sosiologis, pemahaman hukum, dan pertimbangan etika.

Teknik proaktif yang terlibat meliputi penggunaan dataset yang beragam, perancangan algoritma yang sadar keadilan (fairness-aware algorithms), dan implementasi langkah-langkah transparansi dan akuntabilitas.

Strategi Kedaulatan Data (Data Sovereignty) dan Kebijakan Nasional

Langkah-langkah Kedaulatan Data secara langsung menantang Data Kolonialisme dengan menegaskan kontrol nasional atas aset strategis ini.

Pentingnya Lokalisasi Data dan Pembangunan PDN

Kedaulatan Data menekankan prinsip bahwa data harus dikelola di bawah yurisdiksi negara tempat data dikumpulkan. Oleh karena itu, pemerintah harus menerapkan Data Localization Laws (kewajiban lokalisasi data) dan membangun Pusat Data Nasional (PDN) untuk memastikan bahwa data pemerintahan dan sektor strategis disimpan di server domestik, seperti yang telah dilakukan di Indonesia. Langkah ini mengurangi ketergantungan pada infrastruktur asing.

Peran Undang-Undang Perlindungan Data Pribadi (UU PDP)

Pengesahan kerangka hukum seperti UU No. 27 Tahun 2022 tentang Perlindungan Data Pribadi (UU PDP) di Indonesia sangat vital. Regulasi ini menegaskan hak individu atas data pribadi dan menetapkan sanksi bagi pelanggaran, yang merupakan langkah fundamental dalam memerangi ekstraksi data yang tidak adil di bawah Data Kolonialisme.

Gerakan Sosial dan Kolaborasi

Perlawanan terhadap ketidaksetaraan algoritma juga datang dari tingkat sosial dan regional. Gerakan Data Justice memperjuangkan keadilan dalam pengumpulan, distribusi, dan pemanfaatan data, mengingatkan bahwa di balik big data terdapat konsekuensi besar bagi manusia. Kolaborasi regional, seperti di ASEAN, juga diperlukan untuk mengembangkan kebijakan data bersama yang dapat melawan hegemoni teknologi Global North.

Meskipun Fair-by-design adalah metodologi ideal, tantangan implementasinya sangat besar di Global South. Mengintegrasikan fairness memerlukan biaya dan waktu yang signifikan, menciptakan hambatan bagi startup lokal yang berjuang untuk bersaing dengan raksasa teknologi yang menerapkan AI dengan cepat. Oleh karena itu, regulasi harus menyediakan insentif, pendanaan, dan sandbox regulasi yang dirancang khusus untuk mendukung pengembangan AI yang sadar keadilan di Global South, membantu mereka mengatasi kesenjangan implementasi teknis dan biaya kepatuhan.

Kesimpulan

Analisis ini menyimpulkan bahwa Bias Algoritma harus dipandang sebagai penyakit sistemik yang berakar pada ketidaksetaraan geopolitik Data Kolonialisme, diperkuat oleh kegagalan epistemologis dalam desain AI (terutama Out-group Homogeneity Bias), dan memanifestasikan dirinya sebagai diskriminasi sistemik dalam layanan kesehatan, keadilan, dan pasar tenaga kerja secara global.

Untuk mengatasi Diskriminasi Global yang diperkuat oleh AI, direkomendasikan strategi multi-lapis berikut:

Rekomendasi Kebijakan (Tingkat Geopolitik dan Lintas Batas)

1. Mandat Kedaulatan Data dan Infrastruktur:Negara-negara Global South harus memprioritaskan pembangunan Sovereign Cloud dan Sovereign AI melalui lokalisasi data yang ketat dan investasi infrastruktur untuk mengamankan data warga negara dari ekstraksi asing.
2. Harmonisasi Etika Kontekstual:Berpartisipasi aktif dalam pembentukan standar AI global (UNESCO) dan regional (ASEAN) untuk memastikan standar tidak hanya mereplikasi model Global North, tetapi secara eksplisit mempertimbangkan bias etnis, budaya, dan keagamaan yang unik di Global South.
3. Audit dan Akuntabilitas Lintas Batas:Menuntut hak audit dan transparansi terhadap algoritma asing, terutama di sektor risiko tinggi (kesehatan, hukum), yang beroperasi di wilayah nasional, sebagai bentuk perlawanan terhadap hilangnya kendali algoritma.

Rekomendasi Teknis dan Etika Pengembangan

1. Adopsi Penuh Fair-by-Design:Lembaga pengembang AI harus menerapkan metodologi holistik yang mengintegrasikan perspektif sosiologis dan legal di samping teknis sejak fase awal pengembangan untuk mencegah bias, bukan hanya memperbaikinya.
2. Keragaman Tim Pengembangan:Mengakui bahwa keragaman dalam tim pengembang AI adalah mekanisme mitigasi teknis esensial yang diperlukan untuk mengatasi Out-group Homogeneity Bias. Tata kelola harus mewajibkan cultural competency dalam tim yang membangun sistem AI untuk populasi yang beragam.
3. Pengembangan General Purpose AI(GPAI) yang Bertanggung Jawab: Pengembang GPAI harus mematuhi panduan etika ketat untuk memitigasi risiko sistemik global, sesuai dengan standar yang muncul dari regulasi internasional seperti EU AI Act.

Rekomendasi Sosial dan Penelitian

1. Riset Disparitas Lintas Batas:Mendorong penelitian yang secara eksplisit menyelidiki bagaimana bias yang berasal dari Global North diperburuk ketika sistem diterapkan pada populasi Global South. Fokus harus diberikan pada transfer teknologi yang tidak etis di sektor kesehatan dan pengenalan wajah.
2. Mendukung Gerakan Data Justice:Mendanai gerakan masyarakat sipil dan penelitian yang mempromosikan keadilan dalam pemanfaatan data dan menyoroti big consequences dari big data pada kelompok marginal.